多层次气候模型参数化以提升泛化与外推能力

Sep, 2023

多层次气候模型参数化以提升泛化与外推能力

Multi-fidelity climate model parameterization for better generalization and extrapolation

Mohamed Aziz Bhouri, Liran Peng, Michael S. Pritchard, Pierre Gentine

TL;DR多重保真度方法通过整合不同准确度和丰富度的数据集，结合了基于物理的参数化和基于机器学习的参数化，使得在训练数据范围外进行外推成为可能，且能够提供更高准确性的气候预测模拟，而不需要大量计算资源增加。

Abstract

Machine-learning-based parameterizations (i.e. representation of sub-grid processes) of global climate models or turbulent simulations have recently been proposed as a powerful alternative to physical, but empirical, representations, offering a lower computational cost and higher accur

machine learning parameterizations climate change turbulence multi-fidelity approach

发现论文，激发创造

科学机器学习中基于多种准确度的线性回归模型从稀少数据中学习

在科学机器学习中，我们提出了一种新的多保真度训练方法，利用可用的不同保真度和成本的数据，通过多保真度数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器，并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理论分析，并表明与仅具有相似成本的高保真度数据训练的标准模型相比，我们用稀缺高保真度数据和额外低保真度数据训练的多保真度学习模型具有数量级更低的模型方差，说明在稀缺数据环境下，我们的多保真度训练策略能够产生具有较低期望误差的模型。

Mar, 2024

气候模型中机器学习参数化的系统抽样和验证

混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。

Sep, 2023

嵌入机器学习子网格可变性改善气候模型偏差

通过在气候模型中嵌入基于高分辨率 Unified Model 模拟的多输出高斯过程（MOGP）的训练，我们克服了与云形成相关的气候模拟中的长期偏见。利用 MOGP 预测的温度和比湿的变化，对简化的大气环流模型 SPEEDY 进行在位耦合。将 SPEEDY 的温度和比湿剖面按照 MOGP 预测的变化进行固定间隔的扰动。生成了控制模型和混合 ML 模型的十年预测。混合模型将全球降水偏差减少了 18％，在热带地区减少了 22％。为了进一步了解这些改进的驱动因素，我们还探索了一些感兴趣的物理量，如抬升指数值的分布和哈德利环流的改变。在温暖的气候环境中，还运行控制和混合设置的海面温度增加 4K 的实验，以探索该方法对云覆盖和降水模式的影响。

Jun, 2024

基于多智能体强化学习的大气和海洋湍流参数化的极端事件预测

通过使用 SMARL 和湍流物理的基本原理，仅使用几个高保真样本进行了训练，并针对大气和海洋湍流的原型学习了闭合模型，结果表明 SMARL 在 GCMs 的闭合建模方面具有高潜力，尤其是在数据稀缺和间接观测的情况下。

Dec, 2023

基于深度学习的数据驱动超参数化：多尺度 Lorenz 96 系统和迁移学习实验

本文提出了一种新的子网格数据驱动超参数化 (DD-SP) 方法，该方法利用机器学习方法（如循环神经网络）以数据驱动的方式集成小尺度过程的方程式，与传统的参数化方法相比，DD-SP 在预测准确性和计算成本方面具有显著优势，并且研究了传递学习在模型泛化能力方面的应用和挑战。

Feb, 2020

物理学中回归问题的多准确度高斯过程代理建模

通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

Apr, 2024

使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化，并在降低精度的情况下具有良好性能

通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化，实现替换传统的物理模型的亚网参数化方法，最终实现稳定的气候模拟并提高计算效率。

Oct, 2020

基于傅里叶神经算子的转移学习多保真流场与温度场预测

提出了一种基于傅里叶神经算子的多保真学习方法，通过联合大量低保真度数据和有限高保真度数据，利用转移学习范式实现了对复杂流体和温度问题的预测，并且获得了高达 99% 的建模准确性。

Apr, 2023

数字孪生和不确定性量化的增强多保真建模

研究了一个多保真代理模型框架，将多项式相关函数扩展（PCFE）与高斯过程（GP）相结合，提供了一种称为 H-PCFE 的有效代理模型，并引入了具有不同保真度的级联模型体系，称为 Deep-HPCFE，其通过在不同模型之间引入空间相关性，有效地解决了由低保真度模型引起的预测误差问题。该多保真度框架的性能评估和数字双胞胎系统的实际应用证明了其有效性。

Jun, 2023

多层次残差神经过程用于可扩展的替代建模

多保真度代理模型通过聚合来自多个来源的数据，以学习最高保真度级别的准确代理模型。我们提出了一种新的多保真度代理模型框架 - 多保真度残差神经过程 (MFRNP)，通过对较低保真度的代理模型输出进行聚合，并对聚合结果与最高保真度的真实数据之间的残差进行建模，从而实现准确的信息共享。在学习偏微分方程和实际气候建模任务中，MFRNP 显著优于当前最先进的方法。

Feb, 2024